【智能优化算法】蜣螂优化算法(Dung beetle optimizer, DBO),2023

2023-11-04 00:40

本文主要是介绍【智能优化算法】蜣螂优化算法(Dung beetle optimizer, DBO),2023,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前言

蜣螂(俗称屎壳郎)优化算法( Dung beetle optimizer, DBO), 是由 Jiankai Xue 等于2022年提出的一种群体智能优化算法。其灵感来源于蜣螂的生物行为过程,具有寻优能力强,收敛速度快的特点。

1. 蜣螂的生物行为

蜣螂是自然界中一种常见的昆虫,以动物的粪便为食,在全世界内分布广泛,扮演着自然界中分解者的角色,对生态系统平衡起着至关重要的作用。蜣螂有一个有趣的习惯,它们会把粪便捏成球,然后把它滚出来,目的是能够尽可能快速、有效地移动粪球,防止被其他蜣螂抢夺。

蜣螂的可以利用天体线索(特别是太阳、月亮和偏振光)来导航,让粪球沿着直线滚动,如果完全没有光源(也就是在完全黑暗的环境中),蜣螂的就不再走直线,而是弯曲的,有时甚至略圆,有很多因素(如风、地面不平)都会导致蜣螂偏离原来的方向,蜣螂在滚粪球的过程如遇到障碍物而无法前进时,通常会爬到粪球上面"跳舞"(包括一系列的旋转和停顿),决定它们的运动方向。

从蜣螂的习性中观察发现,其获取粪球主要有以下两个目的:
①用来产卵和养育下一代;
②作为食物。蜣螂会把粪球埋起来,雌性蜣螂会在粪球里产卵,粪球不仅是蜣螂幼虫的发育场所,也是必需的食物。所以,粪球对蜣螂的生存起着不可替代的作用。

本位介绍了一种新的群体智能优化算法------DBO(Dung beetle optimizer)技术,其灵感主要来源于蜣螂的滚球、跳舞、觅食、偷窃、和繁殖等行为。

蜣螂在仿生算法设计中主要有四个角色:

  1. 滚球蜣螂:移动粪球到某个场所
  2. 卵球(繁殖蜣螂):雌性蜣螂产生的子代
  3. 小蜣螂:四处觅食
  4. 偷窃蜣螂:偷取粪球

2. 算法优化原理

2.1 滚球蜣螂(ball-rolling dung beetle)

2.1.1 无障碍物:太阳定位及自然因素影响

概述: 蜣螂在滚动过程中可以利用天体的线索(特别是太阳、月亮和偏振光)来导航,使粪球沿直线滚动,太阳光等会影响运动轨迹,呈弯曲或椭圆等;自然因素(如风和不平坦的地面)会导致蜣螂偏离原来的方向。

为了模拟滚球行为,要求蜣螂在整个搜索空间中沿着给定的方向移动。蜣螂的运动轨迹如图1所示。在图1中,蜣螂利用太阳来导航,其中红色箭头表示的是滚动的方向,同时,假设光源的强度也会影响蜣螂的路径。在滚动过程中,滚球蜣螂的位置更新,可以表示为:

t t t 表示迭代次数, x i ( t ) x_i(t) xi(t) 表示第 t t t 次迭代时第 i i i 只蜣螂的位置信息, k ∈ ( 0 , 0.2 ] k ∈(0, 0.2] k(0,0.2] 是一个常数,表示偏转系数, b ∈ ( 0 , 1 ) b ∈(0, 1) b(0,1) 的一个定值, α \alpha α 是自然系数取 1 或 -1,-1表示偏离原方向,1表示无偏差, X w X^w Xw 是全局最差位置, Δ x \Delta x Δx 模拟光强的变化。

在式(1)中,适当选择两个参数 k k k b b b 的值至关重要, α \alpha α 代表诸多自然因素(如风和不平坦的地面)可使蜣螂偏离原来的方向。为模拟现实世界中的复杂环境, 通过概率法设 α \alpha α 1 1 1 − 1 -1 1,如算法 1 所示,当 α = 1 α = 1 α=1 时, 表示无偏差, 当 α = − 1 α = − 1 α=1 时, 表示偏离原方向。同样, Δ x \Delta x Δx 的值越高表示光源越弱, 同时, k k k b b b 分别设为 0.1 0.1 0.1 0.3 0.3 0.3 。利用 Δ x \Delta x Δx 有以下两个优点:

  • (1) 算法在优化过程中, 可尽可能地彻底地探索整个空间;
  • (2) 使算法具有更强的搜索性能, 从而避免陷入局部最优。 X w X^w Xw 通过控制 Δ x \Delta x Δx 的值, 来扩大搜索范围。

2.1.2 有障碍物:跳舞

当蜣螂遇到障碍物无法前进时, 就需要通过跳舞来重新定位, 目的是获得新的路线。为了模拟舞蹈行为, 用切线函数得到新的滚动方向。需要指出的是, 只需要考虑定义在区间 [ 0 , π ] [0 , π ] [0,π], 如图 2 所示。一旦蜣螂成功确定了一个新的方向, 它继续把球向后移。因此, 蜣螂的位置更新定义如下:

其中, θ \theta θ 为挠度角, 属于 [ 0 , π ] [0, \pi] [0,π] ∣ x i ( t ) − x i ( t + 1 ) ∣ |x_i (t) − x_i ( t + 1 )| xi(t)xi(t+1) 表示第 i i i 只蜣螂在第 t t t 次迭代时的位置与其在第 t − 1 t − 1 t1 次迭代时的位置之差,因此蜣螂的更新与当前和历史信息相关。如果 θ = 0 , π / 2 , π \theta=0, \pi / 2, \pi θ=0,π/2,π, 蜣螂的位置不更新。

2.2 卵球(brood ball)繁殖

在自然界中, 粪球是被蜣螂滚到安全的地方藏起来。为了给它们的后代提供安全的环境, 选择合适的产卵地点对蜣螂来说至关重要。模拟䧳蜣螂产卵的区域边界选择策略, 其定义为:

其中, X ∗ X^* X 为当前局部最佳位置, L b ∗ L b^* Lb U b ∗ U b^* Ub 分别为产卵区下限和上界, R = 1 − t / T max ⁡ R=1-t / T_{\max } R=1t/Tmax, T max ⁡ T_{\max } Tmax 表 示最大迭代次数, L b Lb Lb U b Ub Ub 分别代表优化问题的下界和上界。

如图 3 所示, 当前局部最佳位置 X ∗ X^* X 用一个大的棕色圈表示, 而 X ∗ X^* X 周围的小黑圈表示卵球。 每个卵球中都蕴含一枚蜣螂卵, 红色的小圆圈代表边界的上下界。

一旦确定了产卵区域, 雌性蜣螂就会选择这个区域的卵球产卵。对于 DBO 算法, 每只雌蜣螂在每次迭代中只产一个卵。此外, 从式(3)中可以清楚地看到, 产卵区域的边界范围是动态变化的, 这主要是由 R R R 值决定的。由此可见, 卵球的位置在迭代过程中也是动态的, 表示为:

B i ( t ) B_i (t) Bi(t) 为第 t t t 次迭代时第 i i i 个卵球的位置信息, b 1 b_1 b1 b 2 b_2 b2 表示大小为 1 × D 1 × D 1×D 的两个独立随机向量, D D D 表示优化问题的维数。卵球的位置被严格限制在一定范围内。

2.3 小蜣螂(small dung beetle)觅食

一些已经长成成虫的蜣螂会从地下钻出来觅食, 我们称它们为小蜣螂, 还需要建立最优蜣螂区域来引导蜣螂觅食,最佳蜣螂区域的边界定义如下:

X b X^b Xb 表示全局最佳受食位置, L b b L b^b Lbb U b b U b^b Ubb 分别为最优受食区域的下界和上界, 其他参数在式(3)中定义, 因此小蜣螂的位置更新如下:

其中, x i ( t ) x_i(t) xi(t) 表示第 t t t 次迭代时第 i i i 只小蜣螂的位置信息, C 1 C_1 C1 表示一个服从正态分布的随机数, C 2 C_2 C2 表示属于 ( 0 , 1 ) (0 , 1) (0,1) 的随机向量。

2.4 偷窃蜣螂(thief)

还有一些蜣螂被称为偷窃蜣螂, 会从其他蜣螂那里偷粪球,这是自然界中非常常见的现象。 从式 (5) 可以看出, X b X^b Xb 即最优的食物来源位置。因此, 可以假设 X b X^b Xb 即表示争夺食物的最佳地点。在迭代过程中, 偷穷蜣螂的位置更新信息定义如下:

其中, x i ( t ) x_i(t) xi(t) 表示第 i i i 个偷窃蜣螂在第 t t t 次迭代时的位置信息, g g g 是一个大小为 1 × D 1 × D 1×D 维的随机向量, 服从于正态分布, S S S 表示恒定值。

偷窃蜣螂在优化过程中位置不断更新, 最后输出最佳位置 X b X^b Xb 。根据此算法更具体地说, 在 DBO 算法中, 一个蜣螂种群包括 N N N 种目标代理, 其中代理 i i i 都代表一组候选解, 第 i i i 个代理的位置向量用 x i ( t ) x_i(t) xi(t) 表示, x i ( t ) = ( x i 1 ( t ) , x i 2 ( t ) , … … , x i D ( t ) ) x_i(t)=\left(x_{i 1}(t), x_{i 2}(t), \ldots \ldots, x_{i D}(t)\right) xi(t)=(xi1(t),xi2(t),……,xiD(t)) , 其中, D D D 为搜索空间的维数。它们的分布比例没有指定, 可以根据实际应用问题进行设置。

3. 算法流程

DBO 算法作为一种新颖的基于 SI 的优化技术, 主要有六个步骤:

  • (1) 初始化蜣螂群和 DBO 算法的参数;
  • (2) 根据目标函数计算出所有目标代理的适应度值;
  • (3) 更新所有蛲螂的位置;
  • (4) 判断每个目标代理是否超出边界;
  • (5) 更新当前最优解及其适应度值;
  • (6) 重复上述步骤, 直到 t 满足终止准则, 输出全局最优解及其适应度值。

种群按照 6:6:7:11 的比例,将蜣螂划分成不同的角色。也就是说,按照图中的种群规模,在30个个体中,有6个蜣螂用于滚球行为,6个蜣螂用于繁殖行为,7个蜣螂被定义为小蜣螂,执行觅食行为,剩下的11个蜣螂都被定义为小偷,用来执行偷窃行为。

4. 总结

蜣螂算法与粒子群优化算法相比的优缺点:

  1. 收敛速度快:蜣螂优化算法采用局部搜索和全局搜索相结合的策略,可以避免陷入局部最优。

  2. 参数设置较多

蜣螂算法可能改进的方面

  1. 自适应参数:蜣螂算法中的参数需要手动设置,这可能会导致算法的性能受到参数设置的影响。可以通过自适应参数的方式来改进算法,即根据搜索过程中的结果来自适应地调整参数,以提高算法的鲁棒性和性能。

  2. 并行化:蜣螂算法的搜索过程是串行的,这可能会导致搜索效率低下。可以通过并行化的方式来改进算法,例如使用分布式计算等技术,以提高算法的搜索效率和处理能力。

References

智能优化算法:蜣螂优化算法-附代码

蜣螂优化(DBO)算法(含MATLAB代码)

第五十九弹——蜣螂优化算法

Xue J, Shen B. Dung beetle optimizer: A new meta-heuristic algorithm for global optimization[J]. The Journal of Supercomputing, 2023, 79(7): 7305-7336.

这篇关于【智能优化算法】蜣螂优化算法(Dung beetle optimizer, DBO),2023的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/342003

相关文章

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

SpringBoot首笔交易慢问题排查与优化方案

《SpringBoot首笔交易慢问题排查与优化方案》在我们的微服务项目中,遇到这样的问题:应用启动后,第一笔交易响应耗时高达4、5秒,而后续请求均能在毫秒级完成,这不仅触发监控告警,也极大影响了用户体... 目录问题背景排查步骤1. 日志分析2. 性能工具定位优化方案:提前预热各种资源1. Flowable

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.